LT
PrisijungtiPradėti
Terminų žodynas

Gilieji įsitikinimų tinklai (DBN)

Kas yra Gilieji įsitikinimų tinklai (DBN)?

Gilieji įsitikinimų tinklai (angl. deep belief networks, DBN) – tai neuroniniai tinklai iš kelių sluoksnių, kurie pirmiausia sluoksnis po sluoksnio iš anksto apmokomi be priežiūros, paprastai kaip vadinamosios ribotosios Boltzmanno mašinos. Geoffrey Hintonas ir kolegos šį metodą pristatė 2006 m.; jis parodė, kad giliuosius tinklus galima efektyviai apmokyti, ir taip prisidėjo prie giluminio mokymosi iškilimo. Praktikoje DBN vėliau daugiausia pakeistos kitomis architektūromis.

Temos

  • neuroniniai tinklai
  • gilusis mokymasis
  • DI istorija

Išbandykite KI.ordo

Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.

Pradėti demonstraciją
← Visi terminai

Susiję terminai

Gilusis mokymasis

Giluminis mokymasis yra mašininio mokymosi šaka, naudojanti dirbtinius neuroninius tinklus su daugybe sluoksnių. Tokie tinklai iš didelių duomenų kiekių mokosi, kurie požymiai svarbūs – nuo vaizdų kontūrų iki prasminių ryšių tekstuose. Giluminis mokymasis yra šiandienos kalbos modelių, vaizdų ir kalbos atpažinimo bei mašininio vertimo pagrindas, ir paprastai reikalauja daug skaičiavimo galios bei mokymo duomenų.

  • neuroniniai tinklai
  • mašininis mokymasis
  • +1

Dirbtiniai neuroniniai tinklai (DNT)

Dirbtiniai neuroniniai tinklai (DNT) – tai skaičiavimo modeliai, sudaryti iš daugelio sujungtų sluoksniais išdėstytų vienetų („neuronų“), kurie apdoroja įvestį per svertinius ryšius. Mokymo metu svoriai žingsnis po žingsnio koreguojami pagal pavyzdžius, dažniausiai atgalinio sklidimo metodu. DNT yra giluminio mokymosi pagrindas ir veikia vaizdų atpažinimą, kalbos atpažinimą bei didelius kalbos modelius. Nepaisant biologinės įkvėpties, jie veikia daug paprasčiau nei žmogaus smegenys.

  • Gilusis mokymasis
  • DI pagrindai
  • +1

Neprižiūrimas mokymasis

Neprižiūrimo mokymosi metu modelis gauna duomenis be iš anksto nustatytų teisingų atsakymų ir pats ieško struktūrų. Tipiniai metodai: klasterizavimas, grupuojantis panašius įrašus, ir dimensijų mažinimas, sutraukiantis daug požymių į kelis svarbiausius. Organizacijos jį naudoja klientų segmentams atrasti ar neįprastiems sandoriams pastebėti; rastas grupes paskui turi interpretuoti srities ekspertai.

  • Mašininis mokymasis
  • Clustering
  • +1